Известия Саратовского университета. Новая серия.

Серия Математика. Механика. Информатика

ISSN 1816-9791 (Print)
ISSN 2541-9005 (Online)


Для цитирования:

Бескровный А. С., Бессонов Л. В., Иванов Д. В., Кириллова И. В., Коссович Л. Ю. Использование сверточной нейронной сети для автоматизации построения двумерных твердотельных моделей позвонков // Изв. Сарат. ун-та. Нов. сер. Сер. Математика. Механика. Информатика. 2020. Т. 20, вып. 4. С. 502-516. DOI: 10.18500/1816-9791-2020-20-4-502-516

Опубликована онлайн: 
30.11.2020
Полный текст в формате PDF(Ru):
(downloads: 58)
Язык публикации: 
русский
Рубрика: 
Тип статьи: 
Научная статья
УДК: 
501.1
DOI: 
10.18500/1816-9791-2020-20-4-502-516

Использование сверточной нейронной сети для автоматизации построения двумерных твердотельных моделей позвонков

Авторы: 
Бескровный Александр Сергеевич, Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского
Бессонов Леонид Валентинович, Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского
Иванов Дмитрий Валерьевич, Образовательно-научный институт наноструктур и биосистем Саратовского государственного университета
Кириллова Ирина Васильевна, Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского
Коссович Леонид Юрьевич, Саратовский национальный исследовательский государственный университет им. Н. Г. Чернышевского
Аннотация: 

Для биомеханического моделирования требуется построение твердотельной модели исследуемого биологического объекта. При моделировании элементов позвоночно-тазового комплекса наиболее точно требуемую твердотельную модель можно построить на основе данных компьютерной томографии конкретного пациента. Задача построения модели по данным компьютерной томографии может быть решена в ручном режиме с применением программных пакетов обработки медицинских данных или с помощью систем автоматизированного проектирования. Такой подход применяется многими исследователями и позволяет создавать точные твердотельные модели, но является трудоемким и длительным. В связи с этим автоматизация построения твердотельных моделей, пригодных для выполнения биомеханических расчетов, является актуальной задачей. В статье предложен подход автоматизации построения твердотельной модели по данным компьютерной томографии. Представлена реализация предложенного подхода для создания двумерных твердотельных моделей тел позвонков в сагиттальной проекции. Для автоматического распознавания позвонков использована искусственная нейронная сеть Mask-RCNN. Оценка качества выполненного нейронной сетью распознавания выполнена на основе сравнения по мере Серенсена с ручной сегментацией, выполненной практикующими врачами. Применение метода дает возможность существенно ускорить процесс моделирования костных структур позвоночника в двумерном случае. Результаты реализации применены при разработке модуля твердотельных моделей, который включен в состав системы поддержки принятия врачебных решений SmartPlan Ortho 2D, разработанной в СГУ имени Н. Г. Чернышевского в рамках проекта Фонда перспективных исследований.

Список источников: 
  1. Кожанов И. В., Микитюк С. И., Доль А. В., Иванов Д. В., Харламов А. В., Петров А. В., Коссович Л. Ю., Мануковский В. А. Биомеханическое моделирование вариантов внутренней фиксации односторонних переломов крестца // Травматология и ортопедия России. 2020. Т. 26, № 2. С. 79–90. DOI: https://doi.org/10.21823/2311-2905-2020-26-2-79-90
  2. Кудяшев А. Л., Хоминец В. В., Теремшонок А. В., Коростелев К. Е., Нагорный Е. Б., Доль А. В., Иванов Д. В., Кириллова И. В., Коссович Л. Ю. Биомеханические предпосылки формирования проксимального переходного кифоза после транспедикулярной фиксации поясничного отдела позвоночника // Российский журнал биомеханики. 2017. Т. 21, № 3. С. 313–323. DOI: https://doi.org/10.15593/RZhBiomeh/2017.3.07
  3. Донник А. М., Иванов Д. В., Коссович Л. Ю., Левченко К. К., Киреев С. И., Морозов К. М., Островский Н. В., Зарецков В. В., Лихачев С. В. Создание трехмерных твердотельных моделей позвоночника с транспедикулярной фиксацией c использованием специализированного программного обеспечения // Изв. Сарат. ун-та. Нов. сер. Сер. Математика. Механика. Информатика. 2019. Т. 19, № 4. С. 424–438. DOI: https://doi.org/10.18500/1816-9791-2019-19-4-424-438
  4. Stewart R. D., Fermin I., Opper M. Region growing with pulse-coupled neural networks: An alternative to seeded region growing // IEEE Trans. on Neural Networks. 2002. Vol. 13, iss. 6. P. 1557–1562. DOI: https://doi.org/10.1109/TNN.2002.804229
  5. Chandhok C. A Novel Approach to Image Segmentation using Artificial Neural Networks and K-Means Clustering // International Journal of Engineering Research and Applications. 2012. Vol. 2, iss. 3. P. 274–279. DOI: https://doi.org/10.1.1.416.9795
  6. Белим С. В., Ларионов С. Б. Алгоритм сегментации изображения с помощью искусственной нейронной сети без использования других изображений // Радиостроение. 2017. № 3. С. 43–53. DOI: https://doi.org/10.24108/rdopt.0317.0000108
  7. Dol D., Dol A., Bessonov L., Ivanov. D., Beskrovny A., Falkovich A., Ostrovsky N. Methods of constructing an outline simple closed contour for modeling functional spine unit on CT slice // Progress in Biomedical Optics and Imaging — Proceedings of SPIE. 2020. Vol. 11229. 112291Q. DOI: https://doi.org/10.1117/12.2545013
  8. Медведев Д. Г. Алгоритм выделения контура объекта с нечеткими краями // Актуальные проблемы гуманитарных и естественных наук. 2014. Т. 2, № 1. С. 56–61.
  9. Withey D. J., Koles Z. J. Medical Image Segmentation: Methods and Software // Joint Meeting of the 6th International Symposium on Noninvasive Functional Source Imaging of the Brain and Heart and the International Conference on Functional Biomedical Imaging. Hangzhou, 2007. P. 140–143. DOI: https://doi.org/10.1109/NFSI-ICFBI.2007.4387709
  10. Beskrovny A. S., Makhankov A. V., Bessonov L. V., Lemeshkin M. O. Application of artificial neural network technologies to vertebral segmentation according on CT data // Progress in Biomedical Optics and Imaging — Proceedings of SPIE. 2020. Vol. 11229. 112291Y. DOI: https://doi.org/10.1117/12.2545001
  11. Колесникова А. С., Бессонов Л. В., Лунева А Д., Дмитриев П. О., Матершев И. В., Курчаткин А. А., Золотов В. С., Сидоренко Д. А., Чувашкин В. К., Варюхин А. А., Гущина С. Г. Разработка подхода для усовершенствования метода активных контуров // Врач и информационные технологии. 2018. Т. 3. С. 61–72.
  12. Long J., Shelhamer E., Darrell T. Fully convolutional networks for semantic segmentation // 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Boston, Massachusetts, 2015. P. 3431–3440. DOI: https://doi.org/10.1109/CVPR.2015.7298965
  13. Badrinarayanan V., Kendall A., Cipolla R. SegNet: A Deep Convolutional EncoderDecoder Architecture for Image Segmentation // IEEE Trans. Pattern Anal. Mach. Intell. 2017. Vol. 39, № 12. P. 2481–2495. DOI: https://doi.org/10.1109/TPAMI.2016.2644615
  14. Kamnitsas K., Ferrante E., Parisot S., Ledig C., Nori A. V., Criminisi A., Rueckert D., Glocker B. DeepMedic for Brain Tumor Segmentation // BrainLes, 2016: Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries / Eds. A. Crimi, B. Menze, O. Maier, M. Reyes, S. Winzeck, H. Handels. Lecture Notes in Computer Science. Vol. 10154. Springer, Cham. P. 138–149. DOI: https://doi.org/10.1007/978-3-319-55524-9_14
  15. Noh H., Hong S., Han B. Learning deconvolution network for semantic segmentation // 2015 Proc. IEEE Int. Conf. Comput. Vis. (ICCV). Santiago, 2015. P. 1520–1528. DOI: https://doi.org/10.1109/ICCV.2015.178
  16. Chaurasia A., Culurciello E. LinkNet: Exploiting encoder representations for efficient semantic segmentation // 2017 IEEE Visual Communications and Image Processing (VCIP). St. Petersburg, FL, 2017. P. 1–4. DOI: https://doi.org/10.1109/vcip.2017.8305148
  17. He K., Gkioxari G., Doll´ar P., Girshick R. Mask R-CNN // 2017 IEEE International Conference on Computer Vision (ICCV). Venice, 2017. P. 2980–2988. DOI: https://doi.org/10.1109/ICCV.2017.322
  18. He K., Zhang X., Ren S., Sun J. Deep Residual Learning for Image Recognition // 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas, NV, 2016. P. 770–778. DOI: https://doi.org/10.1109/CVPR.2016.90
  19. Самарский А. А., Гулин А. В. Численные методы. М. : Наука, 1989. 432 с.
  20. Yao A. D., Cheng D. L., Pan I., Kitamura F. Deep Learning in Neuroradiology: A Systematic Review of Current Algorithms and Approaches for the New Wave of Imaging Technology // Radiology: Artificial Intelligence. 2020. Vol. 2, № 2. P. 6. DOI: https://doi.org/10.1148/ryai.2020190026
  21. Ivanov D. V., Kirillova I. V., Kossovich L. Yu., Bessonov L. V., Petraikin A. V., Dol A. V., Ahmad E. S., Morozov S. P., Vladzymyrskyy A. V., Sergunova K. A., Kharlamov A. V. Influence of Convolution Kernel and Beam-Hardening Effect on the Assessment of Trabecular Bone Mineral Density Using Quantitative Computed Tomography [Иванов Д. В., Кириллова И. В., Коссович Л. Ю., Бессонов Л. В., Петряйкин А. В., Доль А. В., Ахмад Е. С., Морозов С. П., Владзимирский А. В., Сергунова К. А., Харламов А. В. Влияние конволюционных ядер и эффекта «упрочнения луча) на оценку минеральной плотности губчатой костной ткани с использованием количественной компьютерной томографии] // Изв. Сарат. ун-та. Нов. сер. Сер. Математика. Механика. Информатика. 2020. Т. 20, вып. 2. С. 205–219. DOI: https://doi.org/10.18500/1816-9791-2020-20-2-205-219
  22. Sekuboyina A., Bayat A., Husseini M. E., L¨offler M., Rempfler M., Kukacka J., Tetteh G., Valentinitsch A., Payer C., Urschler M., Chen M., Cheng D., Lessmann N., Hu Y., Wang T., Yang D., Xu D., Ambellan F., Zachow S., Jiang T., Ma X., Angerman Ch., Wang X., Wei Q. Brown K., Wolf M., Kirszenberg A., Puybareauq E´., Menze B. H., Kirschke J. VerSe: A Vertebrae Labelling and Segmentation Benchmark // Computer Science, Engineering, ArXiv. arXiv:2001.09193[cs.CV]. 2020. 30 p.
Поступила в редакцию: 
19.05.2019
Принята к публикации: 
30.06.2019
Опубликована: 
30.11.2020